論文の概要: Enforcing Predictive Invariance across Structured Biomedical Domains
- arxiv url: http://arxiv.org/abs/2006.03908v3
- Date: Wed, 7 Oct 2020 17:43:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 21:05:26.936809
- Title: Enforcing Predictive Invariance across Structured Biomedical Domains
- Title(参考訳): 構造化バイオメディカルドメイン間の予測的不変性の促進
- Authors: Wengong Jin, Regina Barzilay, Tommi Jaakkola
- Abstract要約: 本稿では,新しい後悔最小化(RGM)アルゴリズムと構造化環境に対する拡張を提案する。
RGMは、予測的後悔の観点から、同時最適条件を再キャストすることで、不変リスク最小化(IRM)から構築する。
分子特性予測,タンパク質のホモロジー,安定性予測,およびRGMが従来の最先端のベースラインを著しく上回っていることを示す。
- 参考スコア(独自算出の注目度): 38.637412590671865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many biochemical applications such as molecular property prediction require
models to generalize beyond their training domains (environments). Moreover,
natural environments in these tasks are structured, defined by complex
descriptors such as molecular scaffolds or protein families. Therefore, most
environments are either never seen during training, or contain only a single
training example. To address these challenges, we propose a new regret
minimization (RGM) algorithm and its extension for structured environments. RGM
builds from invariant risk minimization (IRM) by recasting simultaneous
optimality condition in terms of predictive regret, finding a representation
that enables the predictor to compete against an oracle with hindsight access
to held-out environments. The structured extension adaptively highlights
variation due to complex environments via specialized domain perturbations. We
evaluate our method on multiple applications: molecular property prediction,
protein homology and stability prediction and show that RGM significantly
outperforms previous state-of-the-art baselines.
- Abstract(参考訳): 分子特性予測のような多くの生化学的応用は、訓練領域(環境)を超えて一般化するモデルを必要とする。
さらに、これらのタスクの自然環境は、分子足場やタンパク質ファミリーのような複雑な記述子によって定義される。
したがって、ほとんどの環境はトレーニング中に見ることも、トレーニングの例だけを含むこともない。
これらの課題に対処するために、新しい後悔最小化(RGM)アルゴリズムと構造化環境の拡張を提案する。
rgmは、予測的な後悔という観点から同時最適条件を再キャストすることで、不変リスク最小化(invariant risk minimization, irm)から構築されている。
構造拡張は、特殊領域摂動による複雑な環境による変動を適応的に強調する。
本手法は, 分子特性予測, タンパク質ホモロジー, 安定性予測などの複数の応用で評価し, rgmが過去の最先端のベースラインを大きく上回ることを示した。
関連論文リスト
- Continual Invariant Risk Minimization [46.051656238770086]
経験的リスク最小化は、学習モデルが不変な特徴表現をキャプチャしない場合、目に見えない環境での一般化の振る舞いを損なう可能性がある。
不変リスク最小化(IRM)は環境不変表現を発見するための最近の提案である。
論文 参考訳(メタデータ) (2023-10-21T11:44:47Z) - Neuron Structure Modeling for Generalizable Remote Physiological
Measurement [35.33213338840912]
近年,リモート光胸腺造影(r)技術が注目されている。
顔ビデオから血液ボリュームパルス(BVP)を抽出し、多くのアプリケーションがよりアクセスしやすくする。
既存の手法は、目に見えない領域に対してうまく一般化するのに苦労する。
NEuron STructure Modeling (NEST) と呼ばれるドメインラベルのない手法を提案する。
論文 参考訳(メタデータ) (2023-03-10T14:44:11Z) - Using Forwards-Backwards Models to Approximate MDP Homomorphisms [11.020094184644789]
離散作用空間における準同型を構成するための新しい手法を提案する。
環境力学の学習モデルを用いて、どの状態-作用ペアが同じ状態につながるかを推定する。
MinAtarでは,低サンプリング限界における値ベースオフ政治ベースラインに対して,ほぼ4倍の改善が報告されている。
論文 参考訳(メタデータ) (2022-09-14T00:38:12Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳(メタデータ) (2022-02-13T04:56:18Z) - Provable Domain Generalization via Invariant-Feature Subspace Recovery [18.25619572103648]
本稿では,不変部分空間回復(ISR)を用いた領域一般化を提案する。
トレーニングIRMとは異なり、アルゴリズムは非変分問題をバイパスし、グローバルコンバージェンスを楽しむ。
さらに、実世界の3つの画像データセットにおいて、ISR-は単純で効果的な後処理法として利用できることを示す。
論文 参考訳(メタデータ) (2022-01-30T21:22:47Z) - Iterative Feature Matching: Toward Provable Domain Generalization with
Logarithmic Environments [55.24895403089543]
ドメインの一般化は、限られた数のトレーニング環境からのデータで、目に見えないテスト環境でうまく機能することを目的としています。
我々は,O(logd_s)$環境のみを見た後に一般化する予測器を高確率で生成することを保証する反復的特徴マッチングに基づく新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-18T04:39:19Z) - Robust Reconfigurable Intelligent Surfaces via Invariant Risk and Causal
Representations [55.50218493466906]
本稿では,データ分布の変化に伴うロバスト再構成可能なインテリジェントサーフェス(ris)システム設計の問題について検討する。
不変リスク最小化(IRM)の概念を用いて、複数の環境にまたがる不変因果表現を用いて、予測器が各環境に対して同時に最適となるようにする。
予測器を探すためにニューラルネットワークベースのソリューションを採用し、その性能は経験的リスク最小化に基づく設計に対するシミュレーションによって検証される。
論文 参考訳(メタデータ) (2021-05-04T21:36:31Z) - The Risks of Invariant Risk Minimization [52.7137956951533]
不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。
我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。
IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
論文 参考訳(メタデータ) (2020-10-12T14:54:32Z) - Invariant Causal Prediction for Block MDPs [106.63346115341862]
環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。
本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
論文 参考訳(メタデータ) (2020-03-12T21:03:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。